1. 1
YAYASAN MEMAJUKAN ILMU DAN KEBUDAYAAN
UNIVERSITAS SIBER ASIA
Kampus Menara, Jl. RM. Harsono, Ragunan - Jakarta Selatan.Daerah Khusus Ibukota Jakarta 12550.
Telp. (+6221) 27806189. asiacyberuni@acu.ac.id. Universitas Siber Asia | Official Website (unsia.ac.id)
2023
2. Penerapan Algoritma Genetika Traveling Salesman Problem With Time Window: Studi
Kasus Rute Antar Jemput Laundry
Mata Kuliah : Kecerdasan Buatan
Kelas : IT-501
Prodi : PJJ Informatika
Nama Mahasiswa : Hendro Gunawan
NIM : 200401072103
Dosen : Ibu Cian Ramadhona Hassolthine, S.Kom., M.Kom
2
Ujian Tengah Semester (UTS)
KECERDASAN BUATAN
3. KATA PENGANTAR
Dampak perkembangan teknologi hardware yang performance-nya semakin tinggi dan berukuran kecil serta didukung oleh teknologi
software yang semakin pesat, dapat memunculkan berbagai produk Artificial Inteligence (AI) yang digunakan dalam kehidupan sehari-
hari. Produk-produk tersebut antara lain adalah program pencarian rute optimum menggunakan teknik searching. Armada taksi yang
dilengkapi dengan sebuah komputer dan Global Positioning System (GPS) digunakan untuk memandu sopir taksi dalam perjalanan.
Dengan menyebutkan tempat tujuan, di layar komputer akan terlihat rute jalan yang harus dilalui oleh sopir taksi untuk menuju tempat
tersebut. Posisi taksi, berdasarkan koordinat bumi, selalu dipantau oleh satelit GPS yang mempunyai akurasi tinggi. Produk lain adalah
sebuah software yang berfungsi sebagai Tourguide yang dapat diinstal di handphone ataupun Personal Digital Assistant (PDA) yang
berguna untuk memandu wisatawan dalam menjelajahi tempat-tempat wisata yang menarik. Contoh lainnya adalah sistem Auto Driver,
yaitu sistem yang digunakan untuk mengemudi sebuah mobil atau pesawat terbang tanpa disetir oleh manusia. Sistem ini menggunakan
Jaringan Syaraf Tiruan yang dilatih terhadap berbagai gambar kondisi jalan raya yang ditangkap melalui kamera. Contoh lain lagi
adalah sistem Speech-to-Speech Machine Translation. Dengan sistem ini seseorang bisa berbicara dengan orang lain menggunakan
bahasa yang berbeda.
3
4. Di masa mendatang AI ditantang untuk menjawab pertanyaan berikut: Mampukah suatu kecerdasan membuat kecerdasan baru yang
lebih cerdas dari dirinya sendiri? Ray Kurzweil (lewat bukunya: Ray Kurzweil, 1999, “The Age of Spiritual Machine. When
Computers Exceed Human Intelligence”. Viking Penguin, a division of Penguin Putnam Inc., United Kingdom) memprediksi bahwa
hal itu mungkin terwujud melalui beberapa tahapan prediksi yang dibuatnya secara bertahap sampai sekitar 2099.
Akhirnya saya sebagai mahasiswa UNSIA berharap review jurnal ini dapat memberikan sumbangan yang berarti dalam
mempelajari, mengembangkan, dan menerapkan konsep-konsep AI untuk kepentingan belajar, mengajar, ataupun penelitian. Saya
mengucapkan terima kasih kepada para dosen, dan teman-teman semua yang telah membantu dalam menyelesaikan review jurnal ini.
Semoga review jurnal ini bermanfaat bagi kita semua.
Gresik, 10 Desember 2023
Hendro Gunawan
Email: hendro.gnwn@gmail.com
hendro.gnwn@ymail.com
hendro.gnwn@outlook.com
4
5. 5
DAFTAR ISI
KATA PENGANTAR............................................................................................................................................3
DAFTAR ISI.........................................................................................................................................................5
DAFTAR GAMBAR…………………………………………………………………………………………….6
DAFTAR TABEL……………………………………………………………………………………………..…6
BAB I DAFTAR JURNAL PENELITIAN…………………….………………………………………...….…..7
1.1. Tema dan Judul Jurnal…………………………………………...……...………………………......7
1.2. Daftar Jurnal Penerapan dari Algoritma Genetika (GA).....................................................................7
BAB II LITERATURE REVIEW…………………...……………………………………….….………….…......7
2.1. Jurnal 1…………….……………………………………………………………………….…....…..8
DAFTAR PUSTAKA…………………..…………………..……………………………………………..........27
Link File…………………………………………………………………………...……………………….......27
Link Video…………………...……………………………………………………………………..………......27
Tabel Nilai………………………………..……………………………………………………….………........28
6. 6
DAFTAR GAMBAR
Gambar1. Flowchart Program…………………………………………………………………………………………...…..5
Gambar 2. Grafik Perbandingan Metode Seleksi dataset 1………………………………………………………………...…6
Gambar 3.Grafik Perbandingan Metode Seleksi dataset 2………………………………………………………………...….6
Gambar 4. Grafik rata-rata nilai fitnes tiap generasi dataset 1…………………………………………..........................……7
Gambar 5. Grafik hasil uji coba ukuran populasi dataset 1…………………………………………………….....……..……8
Gambar 6. Grafik hasil uji coba kombinasi probabilitas crossover dan mutasi dataset 1…………………………….......…..9
Gambar 7. Grafik hasil uji coba kombinasi probabilitas crossover dan mutasi dataset 2…………………………………....9
DAFTAR TABEL
Tabel 1. Contoh data jarak antar pelanggan………….…………………………………….…………………………………4
Tabel 2. Contoh data waktu ketersediaan pelanggan………………………………..……………………………………..…4
7. 7
KONSEP DAN DEFINISI
• Genetic Algorithm (GA) atau Algoritma Genetika → dipopulerkan oleh John Holland pada tahun 1970
• GA: bagian dari Evolutionary Computation (EC) yang terinspirasi oleh proses evolusi dan seleksi alam makhluk hidup
dari Charles Darwin
• Dalam proses evolusi, individu secara terus-menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan
hidupnya
“Hanya individu-individu yang kuat yang mampu bertahan”
• Algoritma Genetika: umumnya digunakan untuk mengatasi masalah optimasi dan pencarian
Sumber: San Fransisco de Paula Science Department, Unit 8 – Evolution, https://www.sciencesfp.com/unit-8---evolution.html
8. 8
PENERAPAN GA
Optimasi penjadwalan produksi
Optimasi penjadwalan kuliah
Optimasi penjadwalan mengajar
Kompresi citra Optimasi penjadwalan rute pesawat
9. 9
TERMINOLOGI
• Fungsi fitness: fungsi yang menentukan bobot setiap kromosom
• Nilai fitness: nilai yang diperoleh dari hasil fungsi fitness
• Decoding dan Encoding: proses mengubah satu bentuk ke bentuk lainnya.
Dalam beberapa kasus, fenotip dapat diubah ke bentuk lain.
Contoh: bilangan biner, real, permutasi, dan integer.
• Generasi: jumlah iterasi dalam proses algoritma genetika.
11. 11
BAB I
DAFTAR JURNAL PENELITIAN
1.1. Tema dan Judul Jurnal
1.1.1. Tema jurnal
Penerapan Algoritma Genetika (GA)
1.1.2. Judul jurnal
Penerapan Algoritma Genetika Traveling Salesman Problem With Time Window: Studi Kasus Rute Antar Jemput
Laundry
Website: https://media.neliti.com/media/publications/77747-ID-penerapan-algoritma-genetika-traveling-s.pdf
1.2. Daftar Jurnal Penerapan dari Algoritma Genetika (GA)
1.2.1. Penerapan Algoritma Genetika Traveling Salesman Problem With Time Window: Studi Kasus Rute Antar Jemput
Laundry
BAB II
LITERATURE REVIEW
12. 12
2.1. Jurnal 1
Judul Jurnal :
Penerapan Algoritma Genetika Traveling Salesman Problem With Time Window: Studi Kasus Rute
Antar Jemput Laundry
Volume &
Halaman
: Volume (6) & Halaman 121-130
ISDS/ISSN : 77747
Tahun : 2015
Penulis :
1. Dwi Aries Suprayogi
2. Wayan F. Mahmudy
Abstrak
:
Optimasi pemilihan rute merupakan masalah yang banyak dibahas pada penelitian ilmu komputer. Antar jemput
laundry dengan pelanggan yang memiliki waktu khusus untuk menerima barang adalah salah satu contoh kasus
pemilihan rute. Penghitungan rute tercepat memegang peranan penting karena harus tepat waktu dan semua
pelanggan dapat dilayani. Berbeda dengan Traveling Salesman Problem (TSP) konvensional yang bertujuan untuk
meminimalkan jarak, kasus ini juga harus dipertimbangkan waktu ketersediaan setiap pelanggan.
13. 13
: Pencarian solusi untuk permasalahannya adalah dengan mengkombinasikan solusi-solusi (kromosom) untuk
menghasilkan solusi baru dengan menggunakan operator genetika (seleksi, crossover dan mutasi). Untuk mencari
solusi terbaik digunakan beberapa kombinasi probabilitas crossover dan mutasi serta ukuran populasi dan ukuran
generasi. Dari hasil pengujian kombinasi probabilitas crossover yang terbaik adalah 0,4 dan mutasi adalah 0,6
sedangkan untuk ukuran generasi optimal adalah 2000. Dari nilai-nilai parameter ini didapatkan solusi yang
memungkinkan untuk melayani semua pelanggan dengan time window masing - masing.
Kata kunci : Traveling salesman problem, time windows, algoritma genetika, rute terbaik, antar jemput laundry
Latar
belakang
masalah
: Latar belakang masalah dari contoh studi kasus penerapan Algoritma Genetika (GA) yang berjudul “Penerapan
Algoritma Genetika Traveling Salesman Problem With Time Window: Studi Kasus Rute Antar Jemput Laundry”
adalah kebutuhan untuk mengoptimalkan rute pengantaran cucian pada usaha laundry kiloan. Beberapa poin utama
dari latar belakang masalah ini dapat diidentifikasi:
1. Persaingan dalam Usaha Laundry Kiloan: Kondisi bisnis laundry kiloan yang semakin berkembang menciptakan
persaingan yang ketat di industri ini. Dalam upaya untuk mempertahankan dan menarik pelanggan, penyedia jasa
laundry perlu memiliki keunggulan kompetitif.
2. Keberagaman Pelanggan dan Waktu Pelayanan: Pelanggan memiliki waktu tertentu untuk mengambil dan
menerima cucian mereka. Hal ini menciptakan tantangan dalam mengelola waktu pengantaran agar sesuai dengan
preferensi pelanggan. Setiap pelanggan memiliki jendela waktu pelayanan (time windows) yang perlu
dipertimbangkan.
3. Kompleksitas Penjadwalan dan Pengantaran: Dengan adanya parameter waktu, masalah ini dapat dianggap
sebagai permasalahan Vehicle Routing Problem With Time Windows (VRPTW), yang melibatkan penjadwalan rute
pengantaran dengan mempertimbangkan batasan waktu pada masing-masing pelanggan.
14. 14
: 4. Penerapan Algoritma Genetika (GA): Dalam penelitian ini, Algoritma Genetika diusulkan sebagai metode untuk
menyelesaikan permasalahan VRPTW. GA digunakan untuk mencari rute tercepat yang memperhitungkan batasan
waktu ketersediaan pelanggan dan optimalitas total waktu perjalanan.
5. Penelitian Sebelumnya dan Penggunaan Algoritma Genetika: Dalam latar belakang masalah, penelitian
sebelumnya yang relevan dengan VRPTW dan penerapan GA di bidang transportasi telah diidentifikasi. Hal ini
menunjukkan bahwa ada kebutuhan untuk penelitian lebih lanjut menggunakan GA untuk mengoptimalkan rute
pengantaran pada usaha laundry kiloan.
Dengan demikian, latar belakang masalah ini menyoroti kompleksitas dan tantangan dalam pengelolaan waktu
pengantaran cucian pada usaha laundry kiloan, serta memberikan dasar untuk mengusulkan solusi dengan
menggunakan Algoritma Genetika.
Analisa
terhadap
perhitungan
dari
Algoritma
Genetika
: Analisis terhadap perhitungan Algoritma Genetika (GA) dari jurnal tersebut dapat diidentifikasi sebagai berikut:
1. Definisi Vehicle Routing Problem With Time Windows (VRPTW):
VRPTW didefinisikan sebagai masalah penjadwalan rute pengantaran dengan tambahan kendala waktu pada masing-
masing pelanggan. Waktu ketersediaan pada pelanggan dinyatakan dalam batas waktu awal sampai akhir pelayanan.
2. Definisi Algoritma Genetika (GA):
Algoritma Genetika adalah algoritma yang memanfaatkan proses seleksi alamiah berdasarkan konsep evolusi.
Individu dalam populasi mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. GA
merepresentasikan solusi sebagai kromosom dan melibatkan aspek-aspek seperti fungsi fitness, representasi genetika,
operasi genetika, dan parameter populasi.
15. 15
: 3. Nilai Fitness pada VRPTW:
Fungsi fitness pada VRPTW dijelaskan dengan Persamaan 1 (Nilai Fitness =
1
𝑓𝑥
) dan Persamaan 2 (𝑓𝑥=∑(𝑐𝑖𝑗)+(∑𝑝𝑖 ).
Nilai fitness suatu kromosom mencerminkan kualitas kromosom dalam populasi dan melibatkan perhitungan jarak
antar pelanggan dan penalti jika pelanggan dilayani diluar jadwal.
4. Crossover (Persilangan):
Metode crossover PMX (Partially Mapped Crossover) dipilih untuk menggabungkan dua kromosom dan
menghasilkan anak kromosom. Langkah-langkah metode PMX termasuk menentukan dua posisi pada kromosom,
pertukaran substring antar induk, menentukan hubungan pemetaan, dan menentukan kromosom keturunan.
5. Mutasi:
Proses mutasi menggunakan metode reciprocal exchange mutasi, di mana dua posisi secara acak dipilih, dan
kemudian dilakukan pertukaran kedua posisi tersebut. Tujuan mutasi adalah untuk meningkatkan variasi dalam
populasi.
6. Seleksi:
Proses seleksi menggunakan metode seleksi Roulette Wheel dan metode seleksi elitist. Metode Roulette Wheel
memilih orangtua berdasarkan nilai fitness, sedangkan metode elitist mempertahankan individu-individu berdasarkan
urutan nilai fitness tertinggi.
16. 16
: 7. Parameter GA:
Tidak ada metode pasti untuk menentukan parameter GA. Penelitian ini mencakup beberapa skenario uji coba untuk
membandingkan metode seleksi, menentukan ukuran generasi dan populasi yang optimal, serta mencari kombinasi
probabilitas mutasi dan probabilitas crossover yang optimal.
8. Proses Uji Coba dan Analisis:
Penelitian ini melibatkan serangkaian uji coba, termasuk perbandingan metode seleksi, penentuan ukuran generasi dan
populasi, serta pencarian kombinasi probabilitas mutasi dan probabilitas crossover yang optimal.
Dengan demikian, analisis terhadap perhitungan GA pada VRPTW melibatkan pemahaman konsep dasar VRPTW,
implementasi GA, serta eksperimen untuk menemukan parameter optimal yang sesuai dengan karakteristik
permasalahan yang dihadapi.
Metodologi
penelitian
: Metodologi penelitian tersebut dapat dijelaskan sebagai berikut:
1. Pemilihan Data dan Pembentukan Instance:
Penelitian menggunakan dua jenis data antar pelanggan, yaitu dataset 1 dengan 20 pelanggan dan dataset 2 dengan
30 pelanggan. Data jarak antar pelanggan diperoleh dari Google Maps, sedangkan data waktu ketersediaan
pelanggan dibangkitkan secara acak dalam rentang waktu 07.00-16.00.
17. 17
Tabel 1. Contoh data jarak antar pelanggan
Tabel 2. Contoh data waktu ketersediaan pelanggan
2. Inisialisasi Parameter Algoritma Genetika (GA):
Parameter awal GA diinisialisasi, termasuk memasukkan tujuan dan waktu ketersediaan untuk setiap pelanggan, ukuran
individu pada setiap populasi, ukuran generasi, probabilitas crossover, dan probabilitas mutasi.
3. Bentuk Representasi Kromosom dan Populasi Awal:
Kromosom direpresentasikan sebagai urutan tujuan yang akan dikunjungi. Populasi awal dibangkitkan dengan panjang
kromosom sesuai dengan jumlah tujuan yang akan dituju.
18. 18
4. Proses Reproduksi (Crossover dan Mutasi):
Proses crossover dan mutasi dilakukan untuk menghasilkan populasi baru. Populasi diambil sebagai calon induk, dan
pemilihan induk dilakukan secara acak berdasarkan probabilitas crossover dan mutasi.
5. Perhitungan Nilai Fitness:
Nilai fitness dihitung untuk setiap kromosom dalam populasi dengan menggunakan Persamaan 1 dan Persamaan 2.
Proses ini mencakup perhitungan jarak antar pelanggan dan penalti jika pelanggan dilayani diluar jadwal.
6. Seleksi Kromosom untuk Generasi Selanjutnya:
Proses seleksi dilakukan untuk memilih kromosom yang akan diproses pada generasi selanjutnya. Kromosom terbaik
disimpan berdasarkan nilai fitness tertinggi.
7. Uji Coba dan Analisis Parameter GA:
Penelitian melibatkan beberapa rangkaian skenario uji coba untuk mengoptimalkan parameter GA. Beberapa skenario
termasuk membandingkan metode seleksi, menentukan ukuran generasi dan populasi yang optimal, serta mencari
kombinasi probabilitas mutasi dan probabilitas crossover yang optimal.
8. Flowchart Program:
19. 19
Gambar 1. Flowchart Program
• Flowchart program disajikan untuk memberikan
gambaran visual tentang proses pencarian rute
tercepat dengan menggunakan GA.
20. 20
9. Penentuan Parameter GA:
• Penelitian ini mencatat bahwa tidak ada metode pasti untuk menentukan parameter GA. Oleh karena itu, dilakukan
serangkaian uji coba untuk menemukan parameter yang optimal sesuai dengan karakteristik permasalahan yang
dihadapi.
10. Penyimpanan Hasil Akhir:
• Hasil akhir dari algoritma genetika adalah menampilkan kromosom yang memiliki nilai fitness tertinggi dari semua
generasi.
11. Metode Seleksi Uji Coba:
• Uji coba melibatkan beberapa skenario, termasuk perbandingan metode seleksi, penentuan ukuran generasi dan
populasi yang optimal, serta pencarian kombinasi probabilitas mutasi dan probabilitas crossover yang optimal.
• Dengan demikian, metodologi penelitian ini mencakup pemilihan data, inisialisasi parameter GA, proses pencarian
rute dengan GA, uji coba parameter GA, dan analisis hasil akhir.
21. 21
Hasil
penelitian
: 1. Hasil dan Analisa Uji Coba Perbandingan Metode Seleksi Roulette Wheel dan Elitis
Dataset 1:
Gambar 2. Grafik Perbandingan Metode Seleksi dataset 1
• Metode seleksi Elitis menghasilkan nilai fitness yang lebih stabil dan cenderung lebih tinggi dibandingkan dengan
metode seleksi Roulette Wheel dalam 10 kali percobaan.
• Nilai fitness yang dihasilkan metode seleksi Roulette Wheel selalu berada di bawah nilai fitness percobaan dengan
menggunakan metode seleksi Elitis.
• Dari grafik, terlihat bahwa metode seleksi Elitist lebih konsisten dalam menghasilkan solusi yang baik.
22. 22
Dataset 2:
Gambar 3. Grafik Perbandingan Metode Seleksi dataset 2
• Hasil pada Dataset 2 konsisten dengan temuan pada Dataset 1. Metode seleksi Elitist juga menghasilkan nilai
fitness yang lebih stabil dan cenderung lebih tinggi dibandingkan dengan metode seleksi Roulette Wheel dalam 10
kali percobaan.
• Metode seleksi Roulette Wheel, pada setiap percobaan, menghasilkan nilai fitness yang berada di bawah nilai fitness
percobaan dengan menggunakan metode seleksi Elitist.
• Metode seleksi Elitis cenderung memberikan kinerja yang lebih baik dan konsisten.
23. 23
2. Hasil dan Analisa Uji Coba Ukuran Generasi
Gambar 4. Grafik rata-rata nilai fitness tiap generasi dataset 1
Hasil dan analisis dari uji coba ukuran generasi pada penelitian tersebut dapat disimpulkan sebagai berikut:
1. Pengaruh Ukuran Generasi terhadap Algoritma Genetika:
• Ukuran generasi memiliki pengaruh yang signifikan terhadap hasil dari algoritma genetika dalam konteks Traveling
Salesman Problem With Time Windows (TSP-TW).
• Nilai fitness pada generasi awal (500 generasi) cenderung rendah karena algoritma genetika belum sempat melakukan
proses evolusi secara optimal.
24. 24
2. Penemuan Ukuran Generasi Optimal:
• Ukuran generasi optimal untuk TSP-TW pada percobaan ini ditemukan berada pada rentang 2000 hingga 3000
generasi.
• Pada rentang ini, nilai fitness yang dihasilkan tidak berbeda jauh dan cenderung membentuk garis lurus,
menunjukkan stabilnya kualitas solusi.
3. Pertimbangan Penggunaan Ukuran Generasi:
• Terlalu banyak ukuran generasi tidak selalu menghasilkan hasil yang lebih baik. Selain memperpanjang waktu
proses, nilai fitness yang dihasilkan belum tentu jauh lebih baik dari ukuran generasi yang lebih rendah.
• Ukuran generasi yang tinggi meningkatkan frekuensi proses rekombinasi (crossover dan mutasi), yang dapat
mempengaruhi variasi individu baru dan nilai fitness yang dihasilkan.
• Meskipun peningkatan variasi dapat meningkatkan peluang mendapatkan solusi yang baik, tetapi perlu
dipertimbangkan keseimbangan antara waktu proses dan peningkatan kualitas solusi.
Kesimpulan:
• Ukuran generasi optimal untuk TSP-TW pada percobaan ini berada pada rentang 2000 hingga 3000 generasi.
• Pemilihan ukuran generasi harus mempertimbangkan trade-off antara waktu proses dan peningkatan kualitas solusi.
• Hasil ini memberikan panduan praktis dalam mengoptimalkan parameter ukuran generasi pada algoritma genetika
untuk permasalahan TSP-TW.
25. 25
3. Hasil dan Analisa Uji Coba Ukuran Populasi
Gambar 5. Grafik hasil uji coba ukuran populasi dataset 1
Hasil dan analisis dari uji coba ukuran populasi pada penelitian tersebut dapat disimpulkan sebagai berikut:
1. Pengaruh Ukuran Populasi Terhadap Algoritma Genetika:
• Ukuran populasi memiliki pengaruh yang signifikan terhadap hasil dari algoritma genetika dalam konteks Traveling
Salesman Problem With Time Windows (TSP-TW).
• Peningkatan ukuran populasi menyebabkan kenaikan signifikan rata-rata nilai fitness pada awalnya, namun perubahan
menjadi kurang signifikan pada ukuran populasi tertentu.
26. 26
2. Penemuan Ukuran Populasi Optimal:
• Ukuran populasi optimal untuk TSP-TW pada dataset 1 ditemukan berada pada rentang 140 hingga 200 populasi.
• Ukuran populasi optimal untuk TSP-TW pada dataset 2 ditemukan berada pada rentang 160 hingga 200 populasi.
• Peningkatan ukuran populasi di awal menyebabkan perbaikan yang signifikan, namun setelah mencapai ukuran
tertentu, peningkatan tidak lagi memberikan perubahan yang cukup signifikan.
3. Pertimbangan Penggunaan Ukuran Populasi:
• Ukuran populasi yang optimal dapat bervariasi tergantung pada dataset yang digunakan. Dataset yang berbeda dapat
mempengaruhi nilai fitness dan parameter genetika optimum yang dihasilkan oleh algoritma genetika.
• Semakin tinggi ukuran populasi, semakin banyak variasi individu dalam populasi, yang dapat meningkatkan kualitas
solusi. Namun, perlu dipertimbangkan keseimbangan antara kenaikan nilai fitness dan waktu pemrosesan yang
semakin lama.
Kesimpulan:
• Ukuran populasi optimal untuk TSP-TW pada dataset 1 adalah antara 140 hingga 200 populasi.
• Ukuran populasi optimal untuk TSP-TW pada dataset 2 adalah antara 160 hingga 200 populasi.
• Pemilihan ukuran populasi yang optimal harus mempertimbangkan trade-off antara kenaikan nilai fitness dan waktu
pemrosesan.
27. 27
4. Hasil dan Analisa Uji Coba Kombinasi Probabilitas Crossover dan Mutasi
Gambar 6. Grafik hasil uji coba kombinasi probabilitas crossover dan mutasi dataset 1
Gambar 7. Grafik hasil uji coba kombinasi probabilitas crossover dan mutasi dataset 2
28. 28
Hasil dan analisis dari uji coba kombinasi probabilitas crossover dan mutasi pada penelitian tersebut dapat disimpulkan
sebagai berikut:
1.Pentingnya Kombinasi Probabilitas Crossover dan Mutasi:
• Kombinasi tingkat probabilitas crossover dan mutasi memainkan peran krusial dalam kinerja algoritma genetika untuk
Traveling Salesman Problem With Time Windows (TSP-TW).
• Penentuan kombinasi yang optimal memerlukan keseimbangan antara eksplorasi daerah pencarian baru dan eksploitasi
daerah optimum lokal.
2.Pencarian Kombinasi Optimal:
• Uji coba dilakukan untuk berbagai kombinasi probabilitas crossover dan mutasi dari 0,1:0,9 hingga 0,9:0,1.
• Rata-rata nilai fitness terbesar terdapat pada kombinasi probabilitas crossover dan probabilitas mutasi 0,4:0,6.
• Kombinasi ini menghasilkan rata-rata nilai fitness yang optimal untuk kedua dataset yang digunakan.
3.Pengaruh Variasi Probabilitas:
• Variasi nilai probabilitas crossover dan mutasi mempengaruhi hasil nilai fitness yang dihasilkan.
• Semakin besar nilai probabilitas crossover dan mutasi, semakin besar peluang individu mengalami proses crossover
dan mutasi, menghasilkan variasi yang lebih besar dalam nilai fitness.
29. 29
4.Kesimpulan:
• Kombinasi probabilitas crossover dan mutasi yang optimal untuk menyelesaikan masalah TSP-TW pada kedua dataset
adalah 0,4:0,6.
• Pemilihan kombinasi ini memberikan keseimbangan yang baik antara eksplorasi dan eksploitasi, menghasilkan nilai
fitness yang optimal.
Catatan:
• Lebih lanjut, perlu diperhatikan apakah hasil ini dapat diterapkan pada kasus-kasus TSP-TW yang berbeda atau
memerlukan penyesuaian berdasarkan karakteristik dataset spesifik.
Kesimpulan Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:
1.Penerapan Algoritma Genetika untuk Permasalahan Antar Jemput Laundry:
• Algoritma genetika dapat diimplementasikan dengan sukses untuk menyelesaikan permasalahan antar jemput laundry
dengan time window (TSP-TW).
2.Pemilihan Metode Seleksi:
• Metode seleksi Elitis lebih baik dan lebih stabil dibandingkan dengan metode seleksi Roulette Wheel dalam konteks
penelitian ini.
3.Parameter Optimal:
• Ukuran generasi yang optimal adalah 2000 generasi.
• Probabilitas crossover optimal adalah 0,4, sedangkan probabilitas mutasi optimal adalah 0,6.
30. 30
4.Pengaruh Dataset:
• Diketahui bahwa perbedaan dataset dapat mempengaruhi nilai optimal parameter algoritma genetika.
• Penting untuk menyesuaikan parameter berdasarkan karakteristik dataset yang digunakan.
5.Pengembangan Penelitian Selanjutnya:
• Untuk pengembangan penelitian selanjutnya, disarankan untuk mempertimbangkan faktor-faktor tambahan seperti
kepadatan jalan dan kondisi lalu lintas real-time.
• Hibridisasi algoritma genetika dengan metode lain dapat menjadi pilihan untuk meningkatkan kinerja algoritma dalam
menangani kasus yang lebih kompleks.
Dengan demikian, keseluruhan penelitian memberikan wawasan tentang penerapan algoritma genetika dalam konteks
spesifik permasalahan antar jemput laundry dengan time window, serta menawarkan arah untuk penelitian lebih lanjut.
Link Jurnal https://media.neliti.com/media/publications/77747-ID-penerapan-algoritma-genetika-traveling-s.pdf
31. 31
DAFTAR PUSTAKA
[1] T.Sutojo, S. M. (2011). Kecerdasan Buatan. Yogyakarta: CV.ANDI.
[2] Cian Ramadhona Hassolthine, S. M. (2023, 10 21). Edlink Universitas Siber Asia. Diambil kembali dari Kecerdasan Buatan:
https://edlink.id/panel/classes/563114.
[3] Dwi Aries Suprayogi, W. F. (2014, Juli 21). Penerapan Algoritma Genetika Traveling Salesman Problem With Time Window: Studi
Kasus Rute Antar Jemput Laundry. Diambil kembali dari Neliti.com: https://media.neliti.com/media/publications/77747-ID-penerapan-
algoritma-genetika-traveling-s.pdf. Diakses tanggal 10 Desember 2023.
Link File
Jurnal Penelitian
https://drive.google.com/file/d/1XgCneGvTR4GyFzPrKCsJmd3kBrMW_NTQ/view?usp=sharing
Link Video
https://youtu.be/8ZuKUs7jQ4Y
32. 32
Tabel Nilai
Nilai Tanda Tangan Dosen Pengampu Tanda Tangan Mahasiswa
(Cian Ramadhona Hassolthine, S.Kom., M. Kom.) (Hendro Gunawan)
Diserahkan pada Tanggal: Tanggal Mengumpulkan:
10/12/2023